Technische Universität Ilmenau

Deep Learning (englisch) - Modultafeln der TU Ilmenau

Die Modultafeln sind ein Informationsangebot zu unseren Studiengängen. Rechtlich verbindliche Angaben zum Verlauf des Studiums entnehmen Sie bitte dem jeweiligen Studienplan (Anlage zur Studienordnung). Bitte beachten Sie diesen rechtlichen Hinweis.
Angaben zum Raum und Zeitpunkt von geplanten Lehrveranstaltungen entnehmen Sie bitte dem e-Veranstaltungskalender. Lehrveranstaltungen und Prüfungen, die nicht im e-Veranstaltungskalender abgebildet sind, werden "nach Vereinbarung" geplant. Eine Auflistung der betroffenen Veranstaltungen finden Sie hier: Lehrveranstaltungen, Prüfungen.

Modulinformationen zum Modul 101969 - allgemeine Informationen
Modulnummer101969
FakultätFakultät für Informatik und Automatisierung
Fachgebietsnummer 2234 (SP/JP Softwaretechnik für sicherheitskritische Systeme)
Modulverantwortliche(r)Prof. Dr. Patrick Mäder
Voraussetzungen
Lernergebnisse

Theory: (evaluation by written exam)



  • Knowledge on theoretical foundations of deep neural networks

  • Knowledge on CNN architectures and applications

  • Knowledge on architectures for sequence modeling and their applications


    Practice: (evaluation by practical assignments)



  • Ability to implement and apply of a variety of deep learning algorithms

  • Ability to evaluate and troubleshoot deep learning models

  • Ability to use computational resources for train and application of deep learning models

Spezifik im Studiengang Master Informatik 2013, Master Ingenieurinformatik 2014
ModulnameDeep Learning (englisch)
Leistungspunkte5
VerpflichtungWahlpflicht
ModulabschlussEinzelleistungen
Details zum Abschluss
Fachinformationen zu Fachnummer 101969 - allgemeine Informationen
Fachnummer101969
FakultätFakultät für Informatik und Automatisierung
Fachgebietsnummer2234 (SP/JP Softwaretechnik für sicherheitskritische Systeme)
Fachverantwortliche(r)Prof. Dr. Patrick Mäder
SpracheEnglisch
TurnusWintersemester
Vorkenntnisse<p> </p><div class="ms-rtestate-field"><div dir=""><div class="ExternalClassCC86C7FDE06B45DD871608405DB642AD"><p>​<span style="font-size: 11pt; font-family: 'calibri', sans-serif;">Basic programming skills in Python3</span></p></div></div></div><p> </p>
Lernergebnisse

Theory: (evaluation by written exam)

  • Knowledge on theoretical foundations of deep neural networks
  • Knowledge on CNN architectures and applications
  • Knowledge on architectures for sequence modeling and their applications

    Practice: (evaluation by practical assignments)

  • Ability to implement and apply of a variety of deep learning algorithms
  • Ability to evaluate and troubleshoot deep learning models
  • Ability to use computational resources for train and application of deep learning models
Inhalt

Deep learning has recently revolutionized a variety of application like speech recognition, image classification, and language translation mostly driven by large tech companies, but increasingly also small and medium-sized companies aim to apply deep learning techniques for solving  an ever increasing variety of problems. This course will give you detailed insight into deep learning, introducing you to the fundamentals as well as to the latest tools and methods in this rapidly emerging field.

Deep learning thereby refers to a subset of machine learning algorithms that analyze data in succeeding stages, each operating on a different representation of the analyzed data. Specific to deep learning is the ability to automatically learn these representations rather than relying on domain expert for defining them manually.

The course will teach you the theoretical foundations of deep neural networks, which will provide you with the understanding necessary for adapting and successfully applying deep learning in your own applications. Additionally, by completing the course, you will be able to implement, parametrize and apply a variety of deep learning algorithms. You will learn how to use deep convolutional neural networks (CNNs) as well as recurrent neural networks (RNNs) for image, text, and time series analysis. You will further become familiar with advanced data science tools and in using computational resources to train and apply deep learning models.

Medienformen

- Projector presentation

- Slide decks available

- Assignment management through Moodle (https://moodle2.tu-ilmenau.de/course/view.php?id=3174)

- Cloud services (personal computer required)

Literatur

- Deep Learning: Ian Goodfellow, Yoshua Bengio, and Aaron Courville, MIT Press (2016)

- Pattern Recognition and Machine Learning: Christoper M. Bishop, Springer (2006)

- Hands-On Machine Learning with Scikit-Learn and TensorFlow: Aurélien Géron, O'Reilly Media (2017)

Lehrevaluation
Spezifik Referenzfach
FachnameDeep Learning (englisch)
Prüfungsnummer
Leistungspunkte5
SWS
Präsenzstudium (h)45
Selbststudium (h)105
VerpflichtungPflicht
Abschlussalternative Prüfungsleistung
Details zum Abschluss

40% aPL average across submitted solutions of assignment projects + 60 % sPL 60

Anmeldemodalitäten für alternative PL oder SLDie Anmeldung zur alternativen semesterbegleitenden Abschlussleistung erfolgt über das Prüfungsverwaltungssystem (thoska) außerhalb des zentralen Prüfungsanmeldezeitraumes. Die früheste Anmeldung ist generell ca. 2-3 Wochen nach Semesterbeginn möglich. Der späteste Zeitpunkt für die An- oder Abmeldung von dieser konkreten Abschlussleistung ist festgelegt auf den (falls keine Angabe, erscheint dies in Kürze):
max. Teilnehmerzahl
Spezifik im Studiengang Master Research in Computer & Systems Engineering 2016
FachnameDeep Learning (englisch)
Prüfungsnummer2200623
Leistungspunkte5
Präsenzstudium (h)45
Selbststudium (h)105
VerpflichtungPflicht
Abschlussalternative Prüfungsleistung
Details zum Abschluss

40% aPL average across submitted solutions of assignment projects + 60 % sPL 60

Anmeldemodalitäten für alternative PL oder SLDie Anmeldung zur alternativen semesterbegleitenden Abschlussleistung erfolgt über das Prüfungsverwaltungssystem (thoska) außerhalb des zentralen Prüfungsanmeldezeitraumes. Die früheste Anmeldung ist generell ca. 2-3 Wochen nach Semesterbeginn möglich. Der späteste Zeitpunkt für die An- oder Abmeldung von dieser konkreten Abschlussleistung ist festgelegt auf den (falls keine Angabe, erscheint dies in Kürze):
max. Teilnehmerzahl
Spezifik im Studiengang Master Ingenieurinformatik 2014
FachnameDeep Learning (englisch)
Prüfungsnummer2200623
Leistungspunkte5
Präsenzstudium (h)45
Selbststudium (h)105
VerpflichtungWahlpflicht
Abschlussalternative Prüfungsleistung
Details zum Abschluss

40% aPL average across submitted solutions of assignment projects + 60 % sPL 60

Anmeldemodalitäten für alternative PL oder SLDie Anmeldung zur alternativen semesterbegleitenden Abschlussleistung erfolgt über das Prüfungsverwaltungssystem (thoska) außerhalb des zentralen Prüfungsanmeldezeitraumes. Die früheste Anmeldung ist generell ca. 2-3 Wochen nach Semesterbeginn möglich. Der späteste Zeitpunkt für die An- oder Abmeldung von dieser konkreten Abschlussleistung ist festgelegt auf den (falls keine Angabe, erscheint dies in Kürze):
max. Teilnehmerzahl
Spezifik im Studiengang Master Informatik 2013
FachnameDeep Learning (englisch)
Prüfungsnummer2200623
Leistungspunkte7
Präsenzstudium (h)45
Selbststudium (h)165
VerpflichtungWahlpflicht
Abschlussalternative Prüfungsleistung
Details zum Abschluss

40% aPL average across submitted solutions of assignment projects + 60 % sPL 60

Anmeldemodalitäten für alternative PL oder SLDie Anmeldung zur alternativen semesterbegleitenden Abschlussleistung erfolgt über das Prüfungsverwaltungssystem (thoska) außerhalb des zentralen Prüfungsanmeldezeitraumes. Die früheste Anmeldung ist generell ca. 2-3 Wochen nach Semesterbeginn möglich. Der späteste Zeitpunkt für die An- oder Abmeldung von dieser konkreten Abschlussleistung ist festgelegt auf den (falls keine Angabe, erscheint dies in Kürze):
max. Teilnehmerzahl

Informationen und Handreichungen zur Pflege von Modul- und Fachbeschreibungen durch den Modul- oder Fachverantwortlichen finden Sie auf den Infoseiten zum Modulkatalog.